تراهن أبل على الذكاء الاصطناعي المحلي في رقائق سلسلة M، وليس على النماذج الضخمة

نادراً ما تظهر أبل في العناوين الرئيسية حول الذكاء الاصطناعي بنفس الصخب الذي يصاحب OpenAI أو Google أو NVIDIA. لكن أطروحة أن الشركة خسرت السباق قد تكون ضيقة جداً: تراهن أبل ليس على أكبر النماذج، بل على جعل الاستدلال يعمل محلياً، بكفاءة، وبدون اعتماد مستمر على السحابة.

ليست المقياس الصحيح

عندما يناقش السوق الذكاء الاصطناعي، تنحصر المحادثة دائماً تقريباً في نفس مجموعة رموز الحالة: كم عدد معالجات الرسومات التي تمتلكها الشركة، ما حجم مراكز البيانات لديها، كم كلف آخر تشغيل تدريب، وهل يمكن للنموذج أن يتفوق على المنافسين في الاختبارات المقارنة. على هذه الخلفية، تبدو أبل غريبة فعلاً. أصبحت Siri هدفاً سهلاً للسخرية لفترة طويلة، ولا يسيطر نموذجها الكبير الخاص على الأخبار، وتُعتبر التكاملات مع الأنظمة الخارجية أكثر كخطوة تتبع.

لكن هذا هو بالضبط الأساس الرئيسي لهذا المقال: قد لا تتنافس أبل للحصول على أكبر نموذج، بل تتنافس على الطريقة الأكثر عملية لاستخدام الذكاء الاصطناعي. إذا نظرت ليس إلى التدريب، بل إلى الاستدلال، تتغير الصورة. ما يهم ليس حجم المجموعة، بل مدى السرعة والرخص والاستقرار الذي يمكن تشغيل نموذج بجانب المستخدم—على كمبيوتر محمول أو محطة عمل أو جهاز محلي آخر.

المراهنة على الشرائح

الحجة الرئيسية هنا هي معمارية Apple Silicon. في المخطط النمطي، يعمل المعالج والمعالج الرسومي مع مجموعات ذاكرة مختلفة، ويجب نقل البيانات باستمرار بينهما. يؤدي هذا إلى تأخيرات غير ضرورية، ويهدر الطاقة، ويواجه حدود عرض النطاق الترددي للناقل. في شرائح سلسلة M، تستخدم أبل الذاكرة الموحدة: المعالج والمعالج الرسومي و Neural Engine تعمل مع مساحة ذاكرة مشتركة واحدة. يؤدي هذا إلى تقليل النسخ غير الضرورية وجعل النظام أكثر ملاءمة لمهام الاستدلال.

• يصل المعالج والمعالج الرسومي و Neural Engine إلى الذاكرة المشتركة دون نسخ بيانات مستمر
• خسائر أقل في النقل بين الكتل الحسابية واستهلاك طاقة أقل
• يصبح تشغيل النماذج محلياً أكثر واقعية للمهام اليومية
• يمكن نقل أحمال الذكاء الاصطناعي أقرب إلى المستخدم، وليس فقط إلى السحابة

يبرز المؤلف بشكل خاص Neural Engine—وحدة متخصصة مصممة لعمليات الموتر، التي يعتمد عليها الذكاء الاصطناعي الحديث. المنطق بسيط: إذا كان الاستدلال ليس حسابات عامة بل في الأساس عمليات مصفوفة متكررة، فمن الأكثر كفاءة إعطاؤها معالجات مخصصة بدلاً من محاولة حل كل شيء باستخدام قوة المعالج أو المعالج الرسومي فقط. في هذا المنطق، لا تنسخ أبل نهج NVIDIA لمراكز البيانات، بل تبني بنية تحتية أكثر إحكاماً وعملية على جانب الجهاز.

حيث يكون هذا مفيداً

تكون القيمة العملية لهذا النهج واضحة بشكل خاص حيث يكون السعر والزمن الكامن واستهلاك الطاقة مهمين. قد يكون هذا نشراً على الحافة، أو أتمتة المكتب الخلفي، أو معالجة البيانات محلياً، أو سيناريوهات ذات متطلبات الخصوصية، أو سير عمل حيث لا يكون هناك معنى لإرسال كل طلب باستمرار إلى السحابة. نعم، سيوفر مجموعة H100 في السحابة أداء ذروة أعلى. لكن بالنسبة للعديد من المهام الحقيقية، لا تحتاج الشركات إلى رقم قياسي—فهي تحتاج إلى اقتصاديات يمكن التنبؤ بها والقدرة على إبقاء النظام في متناول اليد.

لهذا النهج حدوده. لا تلغي Apple Silicon مراكز البيانات ولا تجعل تدريب النماذج الكبيرة على مجموعات ضخمة من معالجات الرسومات غير ضروري. إذا كنت بحاجة إلى تدريب نماذج الحدود أو خدمة ملايين المستخدمين المتزامنين، فإن البنية التحتية السحابية لن تختفي. النقطة مختلفة: جزء كبير من سوق الذكاء الاصطناعي لا يكون في التدريب، بل في تطبيق النماذج المدربة بالفعل، وهنا بالضبط قد يكون الاستدلال المحلي نقطة قوة أبل.

"هذا ليس خسارة السباق. هذا هو المشاركة في سباق مختلف تماماً."

ماذا يعني هذا

الفكرة الرئيسية بسيطة: لا تحتاج أبل إلى هزيمة NVIDIA أو OpenAI وفقاً لقواعدهما لاحتلال مكان مهم في نظام الذكاء الاصطناعي البيئي. إذا انتقل السوق فعلاً من إظهار القوة إلى النشر المربح، فسيحصل على ميزة أولئك الذين يستطيعون تشغيل النماذج أقرب إلى المستخدم، بتكلفة أقل، وبنفقات عامة أقل. بالنسبة للمطورين والشركات، لا يبدو هذا مثل الإثارة الإعلامية، بل مثل البنية التحتية العاملة. وفي هذا الإصدار من السباق، تمتلك أبل بالفعل موقعاً قوياً.